首页
/ scikit-image教程:图像作为数组的基础操作指南

scikit-image教程:图像作为数组的基础操作指南

2025-07-06 13:45:47作者:殷蕙予

前言

在数字图像处理领域,理解图像在计算机中的表示方式是基础中的基础。本教程将基于scikit-image库,深入讲解图像作为多维数组的本质特性,并通过实践练习帮助读者掌握相关操作技巧。

图像的本质:多维数组

在计算机中,图像本质上是一个多维数组(NumPy数组)。对于彩色图像,通常表示为三维数组(高度×宽度×颜色通道),而灰度图像则是二维数组(高度×宽度)。

基础环境准备

首先我们需要导入必要的库:

%matplotlib inline
import numpy as np
from skimage import data, io, color, img_as_float
import matplotlib.pyplot as plt

练习1:绘制字母H

问题描述

编写一个函数,在指定位置绘制绿色字母H。H的尺寸要求:

  • 高度:24像素
  • 宽度:20像素
  • 线条宽度:3像素

解决方案

def draw_H(image, coords, color=(0, 255, 0)):
    out = image.copy()
    
    # 定义绘制区域
    canvas = out[coords[0]:coords[0] + 24,
                 coords[1]:coords[1] + 20]
    
    # 绘制H的两条竖线
    canvas[:, :3] = color    # 左侧竖线
    canvas[:, -3:] = color   # 右侧竖线
    
    # 绘制H的横线
    canvas[11:14] = color    # 中间横线
    
    return out

测试示例

cat = data.chelsea()
cat_H = draw_H(cat, (50, -50))
plt.imshow(cat_H)

这个练习展示了如何通过直接操作数组来修改图像内容,这是图像处理的基础操作。

练习2:可视化RGB通道

问题描述

将彩色图像分解为R、G、B三个通道,并分别显示每个通道的灰度图像。

解决方案

image = plt.imread('Bells-Beach.jpg')

# 分离通道
r = image[..., 0]  # 红色通道
g = image[..., 1]  # 绿色通道
b = image[..., 2]  # 蓝色通道

# 创建子图
f, axes = plt.subplots(1, 4, figsize=(16, 5))

for ax in axes:
    ax.axis('off')

# 显示各通道
axes[0].imshow(r, cmap='gray')
axes[0].set_title('红色通道')

axes[1].imshow(g, cmap='gray')
axes[1].set_title('绿色通道')

axes[2].imshow(b, cmap='gray')
axes[2].set_title('蓝色通道')

# 显示合并后的彩色图像
axes[3].imshow(np.stack([r, g, b], axis=2))
axes[3].set_title('所有通道')

深入理解

通过这个练习,我们可以直观地看到:

  1. 不同颜色通道对最终图像的贡献不同
  2. 某些特征在不同通道中的表现可能截然不同
  3. 理解通道分离有助于后续的图像处理操作

练习3:RGB通道组合实验

问题描述

创建三个独立的圆形图案分别代表R、G、B通道,观察它们组合后的效果。

解决方案

from skimage import draw

# 创建三个300x300的空白图像
red = np.zeros((300, 300))
green = np.zeros((300, 300))
blue = np.zeros((300, 300))

# 在红色通道绘制圆形
r, c = draw.disk(center=(100, 100), radius=100)
red[r, c] = 1

# 在绿色通道绘制圆形
r, c = draw.disk(center=(100, 200), radius=100)
green[r, c] = 1

# 在蓝色通道绘制圆形
r, c = draw.disk(center=(200, 150), radius=100)
blue[r, c] = 1

# 显示组合结果
plt.imshow(np.stack([red, green, blue], axis=2))

这个实验生动展示了RGB色彩模型的叠加原理,以及不同颜色通道组合产生新颜色的过程。

练习4:RGB转灰度图像

问题描述

将RGB图像转换为灰度图像,比较不同转换方法的差异。

转换原理

人眼对不同颜色的敏感度不同,因此RGB到灰度的转换不是简单的平均值,而是加权平均:

Y = 0.2126R + 0.7152G + 0.0722B

实现代码

image = img_as_float(io.imread('balloon.jpg'))

# 使用scikit-image内置方法
gray = color.rgb2gray(image)

# 手动实现
my_gray = image @ [0.2126, 0.7152, 0.0722]

# 简单平均法
naive_gray = image.mean(axis=2)

# 显示结果
f, axes = plt.subplots(1, 3, figsize=(15, 5))
axes[0].imshow(gray, cmap='gray')
axes[0].set_title('scikit-image方法')

axes[1].imshow(my_gray, cmap='gray')
axes[1].set_title('加权平均法')

axes[2].imshow(naive_gray, cmap='gray')
axes[2].set_title('简单平均法')

结果分析

通过比较可以发现:

  1. scikit-image内置方法与手动实现的加权平均法结果几乎一致
  2. 简单平均法会产生较暗的图像,因为未考虑人眼对不同颜色的敏感度差异
  3. 加权平均法更符合人眼感知的亮度

总结

本教程通过四个实践练习,深入讲解了图像作为数组的基本操作:

  1. 直接修改数组来绘制简单图形
  2. 分解和显示RGB通道
  3. 理解RGB通道的组合原理
  4. RGB到灰度的转换方法比较

掌握这些基础操作是进行更复杂图像处理的前提。在实际应用中,理解图像的数组本质能够帮助我们更高效地实现各种图像处理算法。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
202
2.17 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
208
285
pytorchpytorch
Ascend Extension for PyTorch
Python
61
94
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
977
575
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
550
83
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
399
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27
MateChatMateChat
前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。 官网地址:https://matechat.gitcode.com
1.2 K
133